DNA-Methylierungstests kombiniert mit Smartphones zur Früherkennung von Tumoren und Leukämie-Screening mit einer Genauigkeit von 90,0 %!

Die Früherkennung von Krebs auf der Grundlage von Flüssigbiopsie ist eine neue Richtung der Krebserkennung und -diagnose, die in den letzten Jahren vom US National Cancer Institute vorgeschlagen wurde, mit dem Ziel, Krebs oder sogar präkanzeröse Läsionen frühzeitig zu erkennen.Es wurde weithin als neuartiger Biomarker für die Frühdiagnose verschiedener bösartiger Erkrankungen, einschließlich Lungenkrebs, Magen-Darm-Tumoren, Gliomen und gynäkologischen Tumoren, verwendet.

Das Aufkommen von Plattformen zur Identifizierung von Biomarkern der Methylierungslandschaft (Methylscape) hat das Potenzial, die bestehende Früherkennung von Krebs erheblich zu verbessern und Patienten in das frühestmöglich behandelbare Stadium zu bringen.

Kürzlich haben Forscher eine einfache und direkte Sensorplattform für die Erkennung von Methylierungslandschaften entwickelt, die auf mit Cysteamin dekorierten Goldnanopartikeln (Cyst/AuNPs) in Kombination mit einem Smartphone-basierten Biosensor basiert, der ein schnelles frühes Screening einer Vielzahl von Tumoren ermöglicht.Ein Frühscreening auf Leukämie kann innerhalb von 15 Minuten nach der DNA-Extraktion aus einer Blutprobe mit einer Genauigkeit von 90,0 % durchgeführt werden.Der Titel des Artikels lautet: Schneller Nachweis von Krebs-DNA in menschlichem Blut mithilfe von Cysteamin-bedeckten AuNPs und einem Smartphone mit maschinellem Lernen。

Abbildung 1. Eine einfache und schnelle Sensorplattform für das Krebsscreening über Cyst/AuNPs-Komponenten lässt sich in zwei einfachen Schritten realisieren.

Dies ist in Abbildung 1 dargestellt. Zunächst wurde eine wässrige Lösung verwendet, um die DNA-Fragmente aufzulösen.Cyst/AuNPs wurden dann zu der gemischten Lösung hinzugefügt.Normale und maligne DNA haben unterschiedliche Methylierungseigenschaften, was zu DNA-Fragmenten mit unterschiedlichen Selbstorganisationsmustern führt.Normale DNA aggregiert locker und aggregiert schließlich Cyst/AuNPs, was zu der rotverschobenen Natur von Cyst/AuNPs führt, sodass eine Farbänderung von rot nach violett mit bloßem Auge beobachtet werden kann.Im Gegensatz dazu führt das einzigartige Methylierungsprofil von Krebs-DNA zur Produktion größerer Cluster von DNA-Fragmenten.

Bilder von 96-Well-Platten wurden mit einer Smartphone-Kamera aufgenommen.Krebs-DNA wurde mit einem Smartphone gemessen, das mit maschinellem Lernen im Vergleich zu spektroskopischen Methoden ausgestattet war.

Krebsvorsorge in echten Blutproben

Um den Nutzen der Sensorplattform zu erweitern, wendeten die Forscher einen Sensor an, der erfolgreich zwischen normaler und kanzeröser DNA in echten Blutproben unterschied.Methylierungsmuster an CpG-Stellen regulieren epigenetisch die Genexpression.Bei fast allen Krebsarten wurden alternierende Veränderungen in der DNA-Methylierung und damit in der Expression von Genen beobachtet, die die Tumorentstehung fördern.

Als Modell für andere mit DNA-Methylierung assoziierte Krebsarten verwendeten die Forscher Blutproben von Leukämiepatienten und gesunden Kontrollpersonen, um die Wirksamkeit der Methylierungslandschaft bei der Differenzierung von leukämischem Krebs zu untersuchen.Dieser Methylierungslandschafts-Biomarker übertrifft nicht nur bestehende schnelle Leukämie-Screening-Methoden, sondern demonstriert auch die Machbarkeit einer Ausweitung auf die Früherkennung eines breiten Spektrums von Krebsarten unter Verwendung dieses einfachen und unkomplizierten Assays.

DNA aus Blutproben von 31 Leukämiepatienten und 12 gesunden Personen wurde analysiert.Wie im Boxplot in Abbildung 2a gezeigt, war die relative Extinktion der Krebsproben (ΔA650/525) geringer als die von DNA aus normalen Proben.Dies war hauptsächlich auf die erhöhte Hydrophobie zurückzuführen, die zu einer dichten Aggregation von Krebs-DNA führte, wodurch die Aggregation von Cyst/AuNPs verhindert wurde.Als Ergebnis waren diese Nanopartikel vollständig in den äußeren Schichten der Krebsaggregate dispergiert, was zu einer unterschiedlichen Dispersion von Cyst/AuNPs führte, die auf normalen und Krebs-DNA-Aggregaten adsorbiert waren.Dann wurden ROC-Kurven erzeugt, indem der Schwellenwert von einem Minimalwert von ΔA650/525 auf einen Maximalwert variiert wurde.

Abbildung 2.(a) Relative Extinktionswerte von Zysten/AuNPs-Lösungen, die das Vorhandensein von normaler (blau) und Krebs-DNA (rot) unter optimierten Bedingungen zeigen

(DA650/525) von Boxplots;(b) ROC-Analyse und Bewertung diagnostischer Tests.(c) Verwirrungsmatrix für die Diagnose von normalen und Krebspatienten.(d) Sensitivität, Spezifität, positiver Vorhersagewert (PPV), negativer Vorhersagewert (NPV) und Genauigkeit der entwickelten Methode.

Wie in Abbildung 2b gezeigt, zeigte die Fläche unter der ROC-Kurve (AUC = 0,9274), die für den entwickelten Sensor erhalten wurde, eine hohe Empfindlichkeit und Spezifität.Wie aus dem Boxplot ersichtlich ist, ist der niedrigste Punkt, der die normale DNA-Gruppe darstellt, nicht gut vom höchsten Punkt getrennt, der die Krebs-DNA-Gruppe darstellt;daher wurde eine logistische Regression verwendet, um zwischen den normalen und den Krebsgruppen zu unterscheiden.Bei einem Satz unabhängiger Variablen schätzt es die Wahrscheinlichkeit des Auftretens eines Ereignisses, z. B. einer Krebs- oder Normalgruppe.Die abhängige Variable liegt zwischen 0 und 1. Das Ergebnis ist also eine Wahrscheinlichkeit.Wir haben die Wahrscheinlichkeit der Krebsidentifikation (P) basierend auf ΔA650/525 wie folgt bestimmt.

wobei b = 5,3533, w1 = -6,965.Bei der Probenklassifizierung weist eine Wahrscheinlichkeit von weniger als 0,5 auf eine normale Probe hin, während eine Wahrscheinlichkeit von 0,5 oder höher auf eine Krebsprobe hinweist.Abbildung 2c zeigt die Konfusionsmatrix, die aus der Leave-it-alone-Kreuzvalidierung generiert wurde, die verwendet wurde, um die Stabilität der Klassifizierungsmethode zu validieren.Abbildung 2d fasst die diagnostische Testbewertung der Methode zusammen, einschließlich Sensitivität, Spezifität, positiver Vorhersagewert (PPV) und negativer Vorhersagewert (NPV).

Smartphone-basierte Biosensoren

Um das Testen von Proben ohne den Einsatz von Spektralphotometern weiter zu vereinfachen, verwendeten die Forscher künstliche Intelligenz (KI), um die Farbe der Lösung zu interpretieren und zwischen normalen und krebskranken Personen zu unterscheiden.Vor diesem Hintergrund wurde Computer Vision verwendet, um die Farbe der Cyst/AuNPs-Lösung in normale DNA (lila) oder krebsartige DNA (rot) zu übersetzen, wobei Bilder von 96-Well-Platten verwendet wurden, die mit einer Mobiltelefonkamera aufgenommen wurden.Künstliche Intelligenz kann Kosten senken und die Zugänglichkeit bei der Interpretation der Farbe von Nanopartikellösungen verbessern, und zwar ohne die Verwendung von Smartphone-Zubehör mit optischer Hardware.Schließlich wurden zwei Modelle für maschinelles Lernen, darunter Random Forest (RF) und Support Vector Machine (SVM), trainiert, um die Modelle zu erstellen.Sowohl das RF- als auch das SVM-Modell klassifizierten die Proben korrekt als positiv und negativ mit einer Genauigkeit von 90,0 %.Dies deutet darauf hin, dass der Einsatz künstlicher Intelligenz in der Handy-basierten Biosensorik durchaus möglich ist.

Abbildung 3. (a) Zielklasse der Lösung, die während der Vorbereitung der Probe für den Bildaufnahmeschritt aufgezeichnet wurde.(b) Beispielbild, das während des Bilderfassungsschritts aufgenommen wurde.(c) Farbintensität der Zysten/AuNPs-Lösung in jeder Vertiefung der 96-Well-Platte, die aus dem Bild (b) extrahiert wurde.

Unter Verwendung von Cyst/AuNPs haben Forscher erfolgreich eine einfache Sensorplattform für die Erkennung von Methylierungslandschaften und einen Sensor entwickelt, der in der Lage ist, normale DNA von Krebs-DNA zu unterscheiden, wenn echte Blutproben für das Leukämie-Screening verwendet werden.Der entwickelte Sensor zeigte, dass DNA, die aus echten Blutproben extrahiert wurde, in der Lage war, kleine Mengen von Krebs-DNA (3 nM) bei Leukämiepatienten innerhalb von 15 Minuten schnell und kostengünstig zu erkennen, und zeigte eine Genauigkeit von 95,3 %.Um die Probenprüfung weiter zu vereinfachen, indem die Notwendigkeit eines Spektralfotometers eliminiert wurde, wurde maschinelles Lernen verwendet, um die Farbe der Lösung zu interpretieren und anhand eines Mobiltelefonfotos zwischen normalen und krebskranken Personen zu unterscheiden, und es konnte auch eine Genauigkeit von 90,0 % erreicht werden.

Referenz: DOI: 10.1039/d2ra05725e